Carparts Segmentation Dataset#

Ultralyticsの Carparts Segmentation Dataset は、バンパー、ドア、ライト、ミラー、ボンネット、トランクを含む23の自動車パーツクラスにわたる3,833枚のアノテーション済み画像を提供し、自動車のコンピュータビジョンタスクでインスタンスセグメンテーションモデルをトレーニングするために使用されます。複数の視点からキャプチャされ、ピクセル単位のマスクでアノテーションされたこのデータセットは、Ultralytics YOLOと直接ペアリングされ、自動車の品質管理や自動車修理から、保険請求の損害評価、自動運転車の認識まで、幅広いユースケースに対応します。

データセットの構造#

Carparts Segmentation Datasetの3,833枚の画像は、以下のように分割されています。

• トレーニングセット: ディープラーニングモデルのトレーニングに使用される3,156枚の画像。
• 検証セット: トレーニング中にハイパーパラメータを調整し、検証データでの過剰適合を防ぐために使用される401枚の画像。
• テストセット: トレーニング後に、保持された テストデータ でモデルを評価するために使用される 276 枚の画像。
• クラス: 合計 23 — 22 の名前付き自動車部品カテゴリ（バンパー、ドア、ライト、ガラス、ミラー、ボンネット、テールゲート、トランク、ホイール）と、それらのカテゴリ外の部品のための包括的な object クラス。
• ダウンロードサイズ: 約133 MB。

アプリケーション#

Carparts Segmentationは、以下を含む様々な領域で応用されています：

• 自動車の品質管理: 製造工程における自動車部品の欠陥や不一致の特定（製造業におけるAI）。
• 自動車修理: 修理または交換が必要な部品を特定するメカニックの支援。
• Eコマースのカタログ化: Eコマース プラットフォームのオンラインストアにおける自動車部品の自動タグ付けとカテゴリ分類。
• 交通監視: 交通監視映像における車両コンポーネントの分析。
• 自動運転車: 自動運転車 の認識システムを強化し、周囲の車両をよりよく把握できるようにする。
• 保険処理: 保険請求中に影響を受けた自動車部品を特定し、損傷評価を自動化。
• リサイクル: 効率的なリサイクルプロセスのための車両コンポーネントの分類。
• スマートシティのイニシアチブ: スマートシティ 内の都市計画や交通管理システムにデータを提供する。

完全な Carparts Segmentation Dataset は、Ultralytics Platform で閲覧および管理することもできます。

データセット YAML#

パス、クラス名、その他の重要な詳細を含むデータセット構成は、YAML ファイルで定義されます。Carparts Segmentation dataset の場合、carparts-seg.yaml ファイルは https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/carparts-seg.yaml から入手できます。YAML 形式の詳細については yaml.org を参照してください。

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# Carparts-seg dataset by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/segment/carparts-seg
# Example usage: yolo train data=carparts-seg.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── carparts-seg ← downloads here (133 MB)

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: carparts-seg # dataset root dir
train: images/train # train images (relative to 'path') 3156 images
val: images/val # val images (relative to 'path') 401 images
test: images/test # test images (relative to 'path') 276 images

# Classes
names:
  0: back_bumper
  1: back_door
  2: back_glass
  3: back_left_door
  4: back_left_light
  5: back_light
  6: back_right_door
  7: back_right_light
  8: front_bumper
  9: front_door
  10: front_glass
  11: front_left_door
  12: front_left_light
  13: front_light
  14: front_right_door
  15: front_right_light
  16: hood
  17: left_mirror
  18: object
  19: right_mirror
  20: tailgate
  21: trunk
  22: wheel

# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/carparts-seg.zip

使用方法#

Carparts Segmentation dataset で Ultralytics YOLO26 モデルを画像サイズ 640 で 100 エポック トレーニングするには、次のコードスニペットを使用します。利用可能な引数の包括的なリストについてはモデルの トレーニングガイド を参照し、ベストプラクティスについては モデルのトレーニングのヒント を確認してください。

from ultralytics import YOLO

# Load a pretrained segmentation model like YOLO26n-seg
model = YOLO("yolo26n-seg.pt")  # load a pretrained model (recommended for training)

# Train the model on the Carparts Segmentation dataset
results = model.train(data="carparts-seg.yaml", epochs=100, imgsz=640)

# After training, you can validate the model's performance on the validation set
results = model.val()

# Or perform prediction on new images or videos
results = model.predict("path/to/your/image.jpg")

サンプルデータとアノテーション#

以下は Carparts Segmentation Dataset のサンプル画像であり、オブジェクトセグメンテーション マスクがオーバーレイされ、個々の自動車部品がどのように輪郭を描かれラベル付けされているかを示しています。

このデータセットは、多様な場所、照明条件、オブジェクト密度をカバーしており、トレーニングされたモデルは、実世界の幅広いシーンに対応するために必要な汎化能力を習得できます。

引用と謝辞#

Carparts Segmentationデータセットを研究や開発の取り組みで使用する場合は、元のソースを引用してください：

@misc{car-seg-un1pm_dataset,
      title = { car-seg Dataset },
      type = { Open Source Dataset },
      author = { Gianmarco Russo },
      url = { https://universe.roboflow.com/gianmarco-russo-vt9xr/car-seg-un1pm },
      year = { 2023 },
      month = { nov },
      note = { visited on 2024-01-24 },
}

コンピュータビジョンコミュニティのためにこの貴重なデータセットを作成および維持してくださった Gianmarco Russo 氏と Roboflow チームの貢献に感謝いたします。その他のデータセットについては、Ultralytics Datasets コレクション をご覧ください。

よくある質問 (FAQ)#

Carparts Segmentation Datasetとは何か、またそれはUltralytics YOLO26でどのように使用されますか？#

Carparts Segmentation Datasetは、バンパー、ドア、ライト、ミラー、ボンネット、トランクなどの23の自動車パーツクラスにわたる3,833枚のアノテーション済み画像を厳選したコレクションであり、インスタンスセグメンテーションモデルのトレーニングと評価に使用されます。品質管理、自動車修理、損害評価などの自動車用コンピュータビジョンアプリケーション向けに構築されており、carparts-seg.yaml設定ファイルを介してUltralytics YOLO26で直接使用されます。

Carparts Segmentation Datasetには何枚の画像といくつのクラスが含まれていますか？#

データセットの総画像数は 3,833 枚（トレーニング用 3,156 枚、検証用 401 枚、テスト用 276 枚）で、23 のクラス（22 の名前付き自動車部品カテゴリと、それら以外の部品用の包括的な object クラス）にわたります。完全なアーカイブは、初回使用時に約 ~133 MB の .zip として自動的にダウンロードされます。

Carparts Segmentation Datasetを使用してUltralytics YOLO26モデルをトレーニングするにはどうすればよいですか？#

事前トレーニング済みのセグメンテーションモデル（例：yolo26n-seg.pt）をロードし、上記のUsageセクションにあるPythonまたはCLIのスニペットを使用して、carparts-seg.yaml設定でトレーニングします。利用可能な引数の全リストについては、Training guideを参照してください。

Carparts Segmentation Datasetにはどのような用途がありますか？#

Carparts segmentation は、自動車の品質管理、自動車修理、Eコマースのカタログ化、交通監視、自動運転車の認識、保険の損害評価、リサイクル、スマートシティのイニシアチブをサポートします。各ユースケースの詳細については、上記の アプリケーション セクションを参照してください。

Carparts Segmentationのデータセット構成ファイルはどこで見つけられますか？#

データセットのパスとクラスに関する詳細を含むデータセット構成ファイル carparts-seg.yaml は、Ultralytics の GitHub リポジトリにあります: carparts-seg.yaml。

なぜCarparts Segmentation Datasetを使用すべきなのですか？#

このデータセットは、自動車アプリケーション向けの正確な セグメンテーションモデル を開発するために不可欠な、リッチでアノテーション済みのデータを提供します。その多様性は、自動車両検査、安全システムの強化、自動運転技術のサポートなどの実際のシナリオにおけるモデルの堅牢性とパフォーマンスの向上に役立ちます。このような高品質でドメイン特化型のデータセットを使用することで、AI の開発が加速します。